Zonas Basicas de Salud con python

Comunidad de Madrid

Vamos a usar python y alguna de sus librerías para crear una representación gráfica de datos sobre un mapa.

Para ello necesitamos:

1. Un mapa base.
2. Shape de cada área del mapa.
3. Datos a representar de cada área/shape.
4. Asociar los datos de ZBS a cada shape.
5. Mapa con los datos.

---

Después de Crear el mapa interactivo:

• Además de usarlo en el propio Notebook.
• Lo exportamos en un fichero html.
• lo exportamos en fichero gif.

En este caso, serán datos de situación del COVID-19 en las Zonas Básicas de Salud de la Comunidad de Madrid.

Necesitamos datos:

• Los shapes de las Zonas Básicas de Salud que forman el mapa de la Comunidad de Madrid.
• Un dato a representar en el mapa. He escogido la Tasa de Incidencia Acumulada en los últimos 14 días. Esta serie de datos se llamará TIA_14d.

Necesitamos librerías que nos permitan acceder a los datos, procesarlos y presentarlos de manera interactiva:

• Podemos usar datos en local ó acceder a ellos a traves de su url pública. En este caso será con ficheros locales. El ejemplo sin ficheros locales? ZBS_Madrid_url.ipynb
• Vamos a usar hvplot por su sencillez, está muy relacionado con pandas y permite acceder a holoviews y bokeh. Terminando con opciones interactivas.

Empecemos importando las librerías que vamos a usar

1. Mapa Base.

Será de Wikipedia. Hay otras opciones posibles de Mapa Base.

---

---

2. Colección de shapes de ZBS de la Comunidad de Madrid.

- Cargamos en un GeoDataFrame los shapes y una columna extra pob_pad19. Los ficheros los proporciona la Comunidad de Madrid

• La CAM proporciona un fichero zip con los shapes de las Zonas Básicas Sanitarias. Datos de shapes

WEB Datos de Zonas Básicas de Madrid

• Podríamos acceder a estos ficheros directamente online ó descargarlo y usarlo como fichero local.
  
  #### PREVIAMENTE he descargado esos ficheros a un subdirectorio llamado 'zonas_basicas_salud' ### Cargando los shapes

2.1 Juntamos el Base y los Shapes de ZBS

---

---

3. Cargamos datos de COVID para cada ZBS

• La CAM proporciona un fichero csv con los datos COVID por Zona Básica Sanitaria. Se actualiza aproximadamente, una vez por semana, y suele ser los martes. Datos COVID-19 por Zona Básica Sanitaria

	zona_basica_salud	fecha_informe	casos_confirmados_activos_ultimos_14dias	tasa_incidencia_acumulada_activos_ultimos_14dias	casos_confirmados_ultimos_14dias	TIA_14d	casos_confirmados_totales	tasa_incidencia_acumulada_total	codigo_geo
0	Abrantes	2021-02-02 11:07:00	NaN	NaN	253.0	822	2591	8426.56	001
189	Orcasur	2021-02-02 11:07:00	NaN	NaN	107.0	774	1158	8381.59	190
195	Parque Coimbra	2021-02-02 11:07:00	NaN	NaN	106.0	867	1065	8715.22	196
194	Paracuellos del Jarama	2021-02-02 11:07:00	NaN	NaN	213.0	842	1441	5702.64	195
193	Panaderas	2021-02-02 11:07:00	NaN	NaN	384.0	1035	3214	8664.71	194

3.1 Filtramos los últimos datos del fichero

<class 'pandas.core.frame.DataFrame'>
Int64Index: 286 entries, 0 to 285
Data columns (total 3 columns):
 #   Column         Non-Null Count  Dtype 
---  ------         --------------  ----- 
 0   TIA_14d        286 non-null    int64 
 1   codigo_geo     286 non-null    object
 2   fecha_informe  286 non-null    object
dtypes: int64(1), object(2)
memory usage: 39.9 KB

Vemos un DataFrame con 286 registros.

Uno por cada ZBS Con 3 campos en cada registro.

• Codigo_geo: Identifica a cada ZBS.
• fecha_informe: fecha de los datos
• TIA-14: Tasa de Incidencia Acumulada en los últimos 14 días.

	TIA_14d	codigo_geo	fecha_informe
0	822	001	2021-02-02
1	931	002	2021-02-02
2	953	003	2021-02-02

---

---

4. Añadimos los datos de TIA_14d al GeoDataFrame

<class 'geopandas.geodataframe.GeoDataFrame'>
Int64Index: 286 entries, 0 to 285
Data columns (total 6 columns):
 #   Column         Non-Null Count  Dtype   
---  ------         --------------  -----   
 0   codigo_geo     286 non-null    object  
 1   pob_pad19      286 non-null    int64   
 2   zona_basic     286 non-null    object  
 3   geometry       286 non-null    geometry
 4   TIA_14d        286 non-null    int64   
 5   fecha_informe  286 non-null    object  
dtypes: geometry(1), int64(2), object(3)
memory usage: 65.5 KB

---

---

5. Mapa interactivo con los datos.

• Juntamos Mapa Base y la capa Mapa_ZBS_COVID.
• Tocamos algo las opciones para adaptar la visibilidad.

<class 'pandas.core.frame.DataFrame'>
Int64Index: 286 entries, 0 to 285
Data columns (total 3 columns):
 #   Column         Non-Null Count  Dtype 
---  ------         --------------  ----- 
 0   TIA_14d        286 non-null    int64 
 1   codigo_geo     286 non-null    object
 2   fecha_informe  286 non-null    object
dtypes: int64(1), object(2)
memory usage: 39.9 KB

Mapa Base con Shapes de ZBS y con gradiente de color según TIA_14d

Hacemos otro?

Fácil de adaptar, el tamaño, la transparencia ('alpha') de los shapes.

---

Y cuando lo exportamos en formato html. Sigue interactivo!!

Lo hacemos más interactivo con opción de Vistas por Condición?

- Por ejemplo: Filtrar las ZBS con TIA_14d mayor que un valor indicado. Es fácil.

AVISO: Tarda un poquito en realizar el filtrado.

---

---

Ahora creamos un GeoDataFrame con los datos históricos de las ZBS

para todas las fechas desde el verano en el GeoDataFrame gdf_zbs_historico.

<Projected CRS: EPSG:25830>
Name: ETRS89 / UTM zone 30N
Axis Info [cartesian]:
- E[east]: Easting (metre)
- N[north]: Northing (metre)
Area of Use:
- name: Europe - 6°W to 0°W and ETRS89 by country
- bounds: (-6.0, 35.26, 0.0, 80.53)
Coordinate Operation:
- name: UTM zone 30N
- method: Transverse Mercator
Datum: European Terrestrial Reference System 1989
- Ellipsoid: GRS 1980
- Prime Meridian: Greenwich

<class 'geopandas.geodataframe.GeoDataFrame'>
Int64Index: 10296 entries, 0 to 10295
Data columns (total 12 columns):
 #   Column                                            Non-Null Count  Dtype         
---  ------                                            --------------  -----         
 0   codigo_geo                                        10296 non-null  object        
 1   pob_pad19                                         10296 non-null  int64         
 2   zona_basic                                        10296 non-null  object        
 3   geometry                                          10296 non-null  geometry      
 4   zona_basica_salud                                 10296 non-null  object        
 5   fecha_informe                                     10296 non-null  datetime64[ns]
 6   casos_confirmados_activos_ultimos_14dias          2444 non-null   float64       
 7   tasa_incidencia_acumulada_activos_ultimos_14dias  5434 non-null   float64       
 8   casos_confirmados_ultimos_14dias                  8417 non-null   float64       
 9   TIA_14d                                           10296 non-null  int64         
 10  casos_confirmados_totales                         10296 non-null  int64         
 11  tasa_incidencia_acumulada_total                   10296 non-null  float64       
dtypes: datetime64[ns](1), float64(4), geometry(1), int64(3), object(3)
memory usage: 2.9 MB

Más Interactivo

Permitimos interactuar tanto por umbral de TIA_14d

como la evolución en el tiempo de todas las ZBS.

[400, 2130)    286
[250, 400)       0
[150, 250)       0
[50, 150)        0
[25, 50)         0
[0, 25)          0
Name: TIA_14d, dtype: int64

---

Vamos a crear la evolución de la IA-14d para la CAM en formato gif.

Para ello, primero creamos el Mapa de la CAM para una fecha determinada y lo exportamos a un fichero png.

Luego creamos un bucle por todas las fechas y exportamos cada uno de los ficheros png.

Terminamos juntando todos los ficheros png en un fichero gif.

Creamos una función con Matplotlib

- creará el mapa para cada fecha

- Lo graba en fichero png

Después los juntaremos en un fichero gif

Creando para 2021-02-02 ... fichero img/2021-02-02.png
Creando para 2021-01-26 ... fichero img/2021-01-26.png
Creando para 2021-01-19 ... fichero img/2021-01-19.png
Creando para 2021-01-12 ... fichero img/2021-01-12.png
Creando para 2021-01-05 ... fichero img/2021-01-05.png
Creando para 2020-12-29 ... fichero img/2020-12-29.png
Creando para 2020-12-22 ... fichero img/2020-12-22.png
Creando para 2020-12-15 ... fichero img/2020-12-15.png
Creando para 2020-12-09 ... fichero img/2020-12-09.png
Creando para 2020-12-01 ... fichero img/2020-12-01.png
Creando para 2020-11-24 ... fichero img/2020-11-24.png
Creando para 2020-11-17 ... fichero img/2020-11-17.png
Creando para 2020-11-10 ... fichero img/2020-11-10.png
Creando para 2020-11-03 ... fichero img/2020-11-03.png
Creando para 2020-10-27 ... fichero img/2020-10-27.png
Creando para 2020-10-20 ... fichero img/2020-10-20.png
Creando para 2020-10-13 ... fichero img/2020-10-13.png
Creando para 2020-10-06 ... fichero img/2020-10-06.png
Creando para 2020-09-29 ... fichero img/2020-09-29.png
Creando para 2020-09-22 ... fichero img/2020-09-22.png
Creando para 2020-09-15 ... fichero img/2020-09-15.png
Creando para 2020-09-08 ... fichero img/2020-09-08.png
Creando para 2020-09-01 ... fichero img/2020-09-01.png
Creando para 2020-08-25 ... fichero img/2020-08-25.png
Creando para 2020-08-18 ... fichero img/2020-08-18.png
Creando para 2020-08-11 ... fichero img/2020-08-11.png
Creando para 2020-08-04 ... fichero img/2020-08-04.png
Creando para 2020-07-21 ... fichero img/2020-07-21.png
Creando para 2020-07-14 ... fichero img/2020-07-14.png
Creando para 2020-07-07 ... fichero img/2020-07-07.png
Creando para 2020-06-30 ... fichero img/2020-06-30.png
Creando para 2020-06-23 ... fichero img/2020-06-23.png
Creando para 2020-06-16 ... fichero img/2020-06-16.png
Creando para 2020-06-09 ... fichero img/2020-06-09.png
Creando para 2020-06-02 ... fichero img/2020-06-02.png
Creando para 2020-05-26 ... fichero img/2020-05-26.png

---

Ahora hacemos la conversión a gif de los png generados